2026-11-03 · Fuente:36氪快讯·中继

MAI-Voice-2.1 llega en dos versiones simultáneas, con tarifas de 22 y 15 dólares por millón de caracteres.
El 1 de octubre, Microsoft anunció el lanzamiento oficial de su nuevo modelo de transcripción MAI-Transcribe-2-Streaming, con un precio promocional de lanzamiento de 0,54 dólares por hora de audio, vigente hasta finales de este año. Esta tarifa reduce la barrera comercial del reconocimiento de voz a un nivel de fácil cálculo y constituye el último movimiento público de precios de Microsoft en la carrera de la IA de voz.
Junto con MAI-Transcribe-2-Streaming se presentaron dos nuevos modelos de generación de voz: MAI-Voice-2.1 y MAI-Voice-2.1-Flash. Considerados en conjunto, los tres modelos forman una cartera que cubre tanto el reconocimiento como la generación de voz. Sin embargo, sus esquemas de facturación difieren: el modelo de transcripción se cobra por horas de audio, mientras que los modelos de generación de voz se facturan por volumen de caracteres. MAI-Voice-2.1 tiene un precio de 22 dólares por millón de caracteres, y la versión Flash baja a 15 dólares por millón de caracteres, aproximadamente un 30 % menos que la versión estándar.
Desde el punto de vista del posicionamiento de producto, esta cartera apunta claramente a dos tipos distintos de cargas de trabajo. MAI-Transcribe-2-Streaming está orientado a escenarios de transcripción en streaming en tiempo real, con usos típicos como actas de reuniones, archivo de grabaciones en centros de atención al cliente, subtítulos en directo y organización de entrevistas; su tarifa por hora se alinea de forma natural con el volumen de negocio de compradores como centros de llamadas y medios de comunicación. La serie MAI-Voice-2.1, por su parte, se dirige al lado de la síntesis de voz, sirviendo a aplicaciones como locuciones de asistentes de voz, producción de contenido de audio y robots de llamadas salientes; su facturación por caracteres se vincula al volumen de texto, lo que facilita a los equipos de contenido estimar costes. Contar con reconocimiento y generación significa que los compradores pueden cubrir toda la cadena de voz con un solo proveedor, reduciendo la complejidad de interfaces y facturación derivada de combinar múltiples proveedores.
Para las empresas que necesitan adquirir capacidades de voz a granel, el valor central de estas cifras radica en su calculabilidad. La duración del audio y el volumen de caracteres son métricas que el propio comprador puede estimar: un equipo que procesa 10.000 horas diarias de grabaciones de atención al cliente puede obtener directamente la magnitud de su factura multiplicando las horas por el precio unitario; una plataforma que genera varios cientos de millones de caracteres de contenido de voz al mes también puede alinear su consumo con las tarifas escalonadas de MAI-Voice-2.1 o la versión Flash. La tarifa horaria de 0,54 dólares reduce la barrera de prueba de la transcripción a un nivel muy intuitivo, y la ventana promocional hasta fin de año ofrece un periodo claro de validación de bajo coste: las empresas pueden completar en ese tiempo la evaluación del modelo, pruebas de rendimiento e integración con sistemas internos sin preocuparse por que los costes de validación se descontrolen.
Conviene tener en cuenta los límites: lo anunciado es solo un precio promocional temporal. El comunicado no especifica a qué precio de largo plazo se ofrecerá MAI-Transcribe-2-Streaming una vez cerrada la ventana de fin de año. Esto implica que los compradores deben reservar margen de flexibilidad en sus presupuestos anuales ante una posible corrección al alza de los precios. La práctica prudente es tratar el periodo promocional como ventana de P.O.C. y despliegue gradual, dejando los contratos comerciales a escala para cuando se aclare el precio de largo plazo, manteniendo además la sustituibilidad del motor de transcripción en la arquitectura técnica, para disponer de poder de negociación y opción de migración si el precio definitivo subiera significativamente.
Desde la perspectiva del sector, la tarificación de la IA de voz evoluciona rápidamente hacia "costes unitarios predecibles". En los últimos años, el reconocimiento de voz se facturaba por número de peticiones o en tokens de difícil conversión, lo que dificultaba las comparaciones entre proveedores; hoy, las tarifas por horas o por millón de caracteres hacen que la capacidad de voz se asemeje más a un producto de cómputo estandarizado. La diferencia de precio de aproximadamente un 30 % entre MAI-Voice-2.1 estándar y Flash también prolonga la doble vía habitual en el mercado de modelos fundacionales: la versión estándar garantiza calidad y la ligera reduce costes. Para escenarios sensibles a la latencia pero sin exigencias extremas de calidad de audio, Flash ofrece una clara opción de reducción de costes; para locuciones de marca o publicación de contenidos, donde la calidad sonora es crítica, la versión estándar sigue siendo la elección por defecto.
Para los compradores de capacidad de IA, hay varias dimensiones adicionales a considerar al decidir la compra. Primera, la capacidad de streaming: el sufijo Streaming de MAI-Transcribe-2-Streaming indica su orientación a escenarios en tiempo real, ideal para atención al cliente y reuniones con transcripción simultánea, pero conviene confirmar con el proveedor si la transcripción offline por lotes sigue el mismo esquema de precios. Segunda, el riesgo de migración tras la promoción: el precio limitado hasta fin de año implica que la factura podría saltar el próximo año, por lo que el área financiera debería modelarlo con antelación. Tercera, la trampa de conversión entre caracteres y audio: la generación de voz se factura por caracteres, pero el idioma y el tratamiento de la puntuación afectan al consumo real, por lo que se recomienda ejecutar regresiones de factura con muestras reales de negocio durante la fase de validación. Cuarta, la estrategia de combinación de proveedores: transcripción y síntesis pueden contratarse con fabricantes distintos y comprarse por separado según la carga de trabajo, lo que suele ofrecer más margen de negociación que una compra conjunta.
En cuanto a la situación actual del mercado secundario, este modelo no tiene precios de venta publicados en este momento. Esto es coherente con su lanzamiento el 1 de octubre y su fase de estreno promocional: las capacidades de este tipo de modelos en formato API suelen adquirirse a través de canales oficiales de suscripción, y no llegan al mercado de contado en forma de equipos completos o instancias de cómputo. Los compradores deben tomar la documentación oficial de facturación como única referencia de precios y desconfiar de cualquier oferta no oficial que se anuncie como "reventa de cuota de modelos MAI".
En conjunto, con este precio promocional de 0,54 dólares por hora en el mercado de transcripción, acompañado de dos modelos de generación de voz en dos tramos, Microsoft completa su línea de productos de voz y, a la vez, fija un ancla de precios para el mercado de compra. Para los compradores, la ventana hasta fin de año es el momento ideal para validaciones de bajo coste e integración de arquitectura, mientras que la verdadera decisión de compra debería esperar a que se concreten tanto el precio de largo plazo como los datos de volumen propio de negocio.
P: ¿Cuál es el precio promocional de MAI-Transcribe-2-Streaming y cuándo caduca?
R: El precio de lanzamiento es de 0,54 dólares por hora de audio, vigente hasta finales de este año; el precio de largo plazo posterior no se ha revelado en el comunicado.
P: ¿Cómo se factura la serie MAI-Voice-2.1 y cuál es la diferencia entre ambos tramos?
R: La versión estándar cuesta 22 dólares por millón de caracteres y la versión Flash, 15 dólares por millón de caracteres, es decir, alrededor de un 30 % menos que la estándar.
Etiquetas: Microsoft · MAI-Transcribe-2-Streaming · MAI-Voice-2.1 · Speech AI · Speech Synthesis
萬安算交所 AIXX · AIXX · Exchange verificado · Ir al mercado